亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于多維梯度的衛(wèi)星集群高可靠協(xié)同計算方法

        2021-11-25 10:24:28馬步云MABuyun任智源RENZhiyuan李贊LIZan
        中興通訊技術 2021年5期
        關鍵詞:集中式時延鏈路

        馬步云/MA Buyun,任智源/REN Zhiyuan,李贊/LI Zan

        (西安電子科技大學綜合業(yè)務網理論及關鍵技術國家重點實驗室,中國 西安 710071)

        (State Key Laboratory of Integrated Services Networks,Xidian University,Xi’an 710071,China)

        由于具有星地傳輸距離短、覆蓋范圍廣等優(yōu)勢,基于低軌(LEO)衛(wèi)星的通信系統(tǒng)[1]受到業(yè)界廣泛關注。同時,大量數據在傳輸過程中仍需進一步處理才能被使用(例如,衛(wèi)星采集的圖像需要經過去噪、特征提取等后才可被使用)。然而,受限于衛(wèi)星的載荷能力和宇宙射線的影響[2],單顆衛(wèi)星的計算能力難以大幅提升,很難獨自完成計算密集型任務。而將海量數據轉發(fā)至地面云計算中心,利用云平臺強大的計算資源處理數據[3],雖然可有效降低計算時延,但是會帶來過高的通信開銷,仍難以有效滿足業(yè)務需求。因此,研究端到端業(yè)務計算方法勢在必行。通過協(xié)作可使衛(wèi)星展現出強大的傳輸與計算數據的能力。

        目前,大多數研究者致力于單方面優(yōu)化路由[4-6]或業(yè)務卸載策略[7-10],將兩者統(tǒng)一考慮的很少。而現有的端到端信息處理方案均為集中式業(yè)務調度[11-13],其中,中心管理節(jié)點負責管理網絡并制訂合理的業(yè)務調度方案,LEO集群根據預先制訂好的方案相互協(xié)作。然而,LEO衛(wèi)星數目眾多且計算資源有限,真實的衛(wèi)星網絡很難擁有一個強大的中心管理節(jié)點(該節(jié)點一旦發(fā)生故障,整個網絡將癱瘓)。此外,由于衛(wèi)星工作在復雜的宇宙環(huán)境中,極易受到干擾,如采用集中式調度模式處理業(yè)務,調度方案中的任何一顆衛(wèi)星出現故障都將導致任務失敗,很難滿足業(yè)務的可靠性需求。基于此,針對單星計算能力弱、節(jié)點故障率高的分布式LEO集群,亟需一種分布式低時延高可靠的端到端業(yè)務計算方法,以滿足業(yè)務需求。

        本文面向分布式LEO集群,提出了一種去中心式端到端信息處理技術方法。該方法首先依托時空擴展圖(TEG)來屏蔽LEO集群的高動態(tài)特性,隨后對端到端業(yè)務調度進行理論建模并設計分布式業(yè)務調度算法。當任務到來時,每顆衛(wèi)星基于其鄰居節(jié)點信息,獨自運行該算法來選擇下一跳節(jié)點,并逐步完成數據的傳輸與計算。該算法提出了一種新的度量梯度指標(業(yè)務調度效率)作為選擇下一跳節(jié)點的依據。該梯度指標綜合考慮了節(jié)點的計算能力、鏈路傳輸速率、故障率、至目標衛(wèi)星的跳數,可有效降低系統(tǒng)時延,提高系統(tǒng)可靠性。

        1 系統(tǒng)模型

        分布式LEO集群系統(tǒng)架構如圖1所示。其中,為不失一般性,假設地面站定時向LEO集群廣播全局拓撲信息,每顆衛(wèi)星可計算自身到結果接收衛(wèi)星的跳數。當任務到達時,每顆衛(wèi)星根據自身相鄰節(jié)點的信息逐步選擇下一節(jié)點,并完成端到端業(yè)務計算。

        ▲圖1 低軌集群系統(tǒng)架構圖

        1.1 LEO網絡模型

        為屏蔽LEO集群的動態(tài)性,本節(jié)依托LEO衛(wèi)星運行軌道參數構建TEG模型。

        令N={n1,…,np,…,ns}表示 LEO集群,以地心為坐標原點,以赤道平面為X軸、Y軸所在平面,Z軸通過地心并垂直于赤道平面指向北極,建立空間直角坐標系。則在任意時刻t時,np(np∈N)的位置坐標可通運行軌道計算得到。np與no(np,no∈N,p≠o)之間的距離可通過式(1)來計算。

        定義t時刻np與no之間的鏈路狀態(tài)為,并可表示為式(2):

        其中,r*為星間鏈路的設計速率,為t時刻np與no的理論傳輸速率。表示np與no連通且鏈路傳輸速率為r*,反之則表示np與no鏈路中斷??筛鶕戕r公式得出式(3):其中,B為星間鏈路帶寬,σ2為高斯白噪聲方差,為t時刻的信號接收功率。在星間鏈路中,信號傳輸損耗主要為自由空間傳輸損耗[14]。因此,可由式(4)來表示:

        其中,Gr、Pt、Gt分別表示信號接收增益系數、信號發(fā)射功率和信號發(fā)射增益系數,λ為載波波長。則式(2)可進一步表示為:

        基于式(5),通過遍歷可獲得LEO集群拓撲。此時,以LEO集群某一時刻狀態(tài)為起點,將系統(tǒng)運行周期T等分為n個連續(xù)時隙,長度定義為Δ=T/n。假設時隙內拓撲穩(wěn)定不變,則LEO集群N可表示為N=(NT,ET),其中NT={N1,…,Nn}為節(jié)點集合,ET為邊集合,如圖2所示。

        ▲圖2 低軌集群時空擴展圖模型

        (1)時隙內邊的權重。任意時隙?q∈T內,邊的權重為節(jié)點傳輸單位數據量到節(jié)點的時延,如式(6)所示:

        則q時隙內LEO集群可表示為式(7):

        (2)時隙間邊的權重。數據在傳輸過程中可能存在由鏈路中斷所導致傳輸失敗的情況,因此,需要定義時隙間邊的權重,即數據到達衛(wèi)星節(jié)點時,當前時隙的剩余時間,如式(8)所示:

        則相鄰時隙q,q+1∈T間LEO集群可表示為式(9):

        此時,LEO集群的TEG模型可表示為式(10):

        1.2 端到端業(yè)務計算理論模型

        基于TEG,本節(jié)提出端到端業(yè)務計算理論模型。為不失一般性,本節(jié)按照子業(yè)務間的依賴關系建立業(yè)務有向無環(huán)圖(DAG)模型。同時,根據文獻[15],任何結構的DAG均可解析為串行DAG,因此,本文僅考慮串行DAG。

        定義 DAG 為 Ω =(Ψ,?)。其中,Ψ ={φ1,…,φl}為節(jié)點集合,表示子業(yè)務集群,φ1為業(yè)務起點,φl為業(yè)務終點;?為邊集合,表示子業(yè)務間的依賴關系。此外,φi∈ Ψ 由元組{Di,ηi,εi}表征,其中Di為輸入數據量,ηi為數據壓縮系數,εi為計算復雜度系數。同時,定義為子任務φj的先驅節(jié)點集合。此時,業(yè)務Ω在LEO集群中的調度可轉化為DAG至TEG的映射規(guī)則,如圖3所示。

        ▲圖3 DAG至TEG的映射示例

        (1)節(jié)點映射規(guī)則

        我們首先定義Υ。Ψ→NT表示子業(yè)務節(jié)點Ψ至衛(wèi)星節(jié)點NT的映射。具體地,如式(11)所示,業(yè)務起點映射至業(yè)務發(fā)起衛(wèi)星,業(yè)務終點映射至結果接收衛(wèi)星,中間業(yè)務節(jié)點映射至任意衛(wèi)星。為不失一般性,假設子業(yè)務不可再分,所有子業(yè)務均在單顆衛(wèi)星上計算,考慮到傳輸過程中鏈路可能斷開,此時數據需在衛(wèi)星上緩存,經過虛擬鏈路至下一時隙,ρi為跨時隙數目。

        (2)邊映射規(guī)則

        ?→ET表示DAG有向邊?至TEG無向邊ET的映射,以反映子業(yè)務間的依賴關系。具體地,如式(12)所示,將DAG的有向邊 ?(φi,φj)∈?映射為圖N中 Υ(φi)至 Υ(φj)之間的最短路由。

        1.3 分布式端到端業(yè)務調度算法

        為了實現在分布式LEO集群中數據的“邊傳輸邊計算”,本節(jié)提出分布式端到端業(yè)務調度算法,如算法1所示。該算法主要由3個步驟構成:(1)任務到來時,通過廣播發(fā)現鄰居節(jié)點,并獲取其必要的狀態(tài)信息以用于計算任務調度效率(TSE);(2)計算鄰居節(jié)點的TSE,并根據TSE選擇下一跳節(jié)點;(3)判斷當前時隙剩余時間是否充足,若充足則將數據發(fā)給已確定好的下一跳節(jié)點,否則返回步驟2,并基于下時隙信息重新選擇下一跳節(jié)點。

        基于上述端到端業(yè)務計算理論模型分析,算法需統(tǒng)一考慮節(jié)點的計算能力和鏈路狀態(tài)以實現端到端業(yè)務計算,而由于缺乏中心節(jié)點的統(tǒng)一調度,僅考慮計算能力和鏈路狀態(tài)可能會導致數據的反向傳輸。因此,需要引入目標節(jié)點位置信息以實現數據的定向傳輸,同時為了保證數據傳輸的可靠性,節(jié)點故障率也需要被考慮進算法中?;谝陨戏治?,本節(jié)定義TSE梯度指標,綜合考慮了節(jié)點的計算能力、鏈路狀態(tài)、故障率、距目標節(jié)點跳數多維梯度信息,如式(13)所示:

        其中,HΥ(φi)Υ(φl)為映射節(jié)點 Υ(φi)至結果接收衛(wèi)星Υ(φl)沿最短路徑所需跳數,χΥ(φi)為節(jié)點 Υ(φi)的故障率,fΥ(φi)為節(jié)點 Υ(φi)的計算能力,eΥ(φj)Υ(φi)為子任務φi的前向節(jié)點φj的映射節(jié)點Υ(φj)沿最短路徑至 Υ(φi)的傳輸速率。由式(13)可知,距目標節(jié)點越近,節(jié)點計算能力越強,故障率越低、鏈路傳輸速率越快,TSE就越小,該節(jié)點的調度效率也就越高。

        算法1分布式端到端業(yè)務調度算法

        輸入:DAG模型,TEG

        步驟1:任務到來時,通過廣播發(fā)現鄰居節(jié)點并獲取其多維狀態(tài)信息,包括計算能力、鏈路狀態(tài)、故障率、距目標節(jié)點跳數;

        步驟2:根據式(13)計算各鄰居節(jié)點的TSE指標,并選取TSE最小的節(jié)點為下一跳節(jié)點;

        步驟3:判斷此時將數據傳輸至下一跳節(jié)點的時延是否小于當前剩余時隙,若小于則傳輸;否則就緩存數據,返回步驟2,并根據TEG預測下時隙的TSE指標,重新選擇下一跳節(jié)點。

        輸出:下一跳節(jié)點

        2 仿真與評估

        為驗證本文提出的分布式業(yè)務調度方案的有效性,本節(jié)將該方案同集中式方案進行比較。在比較過程中,所有實驗均基于相同假設。在集中式業(yè)務調度模式下,中心節(jié)點運行集中式業(yè)務調度算法以獲取傳輸路徑上的關鍵計算節(jié)點。集中式業(yè)務調度算法采用經典的DAG調度算法-異態(tài)最早結束時間(HEFT)算法[15]。值得注意的是,由于集中式業(yè)務調度算法依賴較多的計算資源,衛(wèi)星節(jié)點雖具備一定計算能力,但很難運行集中式業(yè)務調度算法。本節(jié)同時將基于TSE指標選擇下一跳節(jié)點的分布式業(yè)務調度算法(記為Proposed)同隨機式(記為Random)和貪婪式(記為Greedy)兩種常用業(yè)務調度算法進行比較,并對仿真結果進行分析與討論。

        2.1 仿真場景及參數設置

        本文考慮由15顆低軌衛(wèi)星構成的衛(wèi)星集群。其中,低軌衛(wèi)星均取自銥星星座(軌道高度780 km)。本文中,我們利用衛(wèi)星工具包(STK)獲取網絡真實連通情況。仿真時間段為2021年4月26日00:00—00:30。本文仿真平臺為Python 3.7,采用的業(yè)務圖為圖1中的DAG。參照文獻[11]和[16],仿真參數如表1所示。此外,為不失一般性,本文所有仿真結果均基于3 000次蒙特卡洛實驗。

        ▼表1 基本參數

        為了分析與評估性能,我們考慮端到端業(yè)務處理時延和任務成功率兩個指標。

        (1)端到端業(yè)務處理時延

        基于1.2節(jié)的DAG至TEG的調度規(guī)則,端到端業(yè)務處理時延可建模如下。

        進行到子任務φi時的處理時延如式(14)所示:

        其中,Tcomp(φi)表示φi的計算時延,Taccu(φi)表示φi前向節(jié)點的累積時延。fΥ(φi)為節(jié)點 Υ(φi)的計算能力,表示衛(wèi)星節(jié)點Υ(φi)中央處理器(CPU)每秒運行的周期數。

        因此,Ω的業(yè)務處理時延為最后一個子任務φl的處理時延,如式(15)所示。

        (2)任務成功率α

        任務成功率α是成功完成的任務數與總試驗次數的比值,如式(6)所示。

        其中,Nsucc為成功完成的任務數,Ntotal為總實驗次數。

        2.2 仿真結果與分析

        2.2.1 可靠性性能

        圖4比較了不同業(yè)務調度模式在不同環(huán)境下的可靠性性能。其中,任務量大小為100 Mbit。值得注意的是,衛(wèi)星的故障概率包括衛(wèi)星器件故障概率和衛(wèi)星受到環(huán)境干擾(如發(fā)生“0-1翻轉”等)導致任務失敗的故障概率。因此,為不失一般性,本節(jié)設置了4種不同環(huán)境:最佳環(huán)境、良好環(huán)境、惡劣環(huán)境、混合環(huán)境。在最佳環(huán)境中,衛(wèi)星的故障概率設置為0,即χi=0;在良好環(huán)境中,假定衛(wèi)星的故障概率均勻分布,即χi~U([0,0.5%]);在惡劣環(huán)境中,χi~U([1%,3%]);在混合環(huán)境中,某些衛(wèi)星的故障概率為χi~U([0,0.5%]),另外一些衛(wèi)星的故障概率為χi~U([1%,3%])。由圖 4 可知,在最佳環(huán)境下,分布式業(yè)務調度和集中式業(yè)務調度的任務成功率均為100%。這是因為在理想環(huán)境中,不會出現衛(wèi)星故障,任務能100%完成。然而,由于理想情況根本不存在,因此本文研究了3種現實環(huán)境下的可靠性性能。由圖5可知,集中式業(yè)務調度模式的可靠性性能在各種環(huán)境下均比較低。惡劣環(huán)境中,集中式業(yè)務調度模式的任務成功率僅為55.0%。相比之下,分布式業(yè)務調度的任務成功率為84.4%。這是因為,分布式業(yè)務調度僅須保障當前執(zhí)行業(yè)務節(jié)點在執(zhí)行業(yè)務期間不會發(fā)生故障,而集中式業(yè)務調度模式須保障業(yè)務調度方案中所有節(jié)點在執(zhí)行任務之前均不會發(fā)生故障。

        ▲圖4 不同環(huán)境下不同業(yè)務調度模式的可靠性性能比較

        2.2.2 時延性能

        圖5比較了不同計算范式的時延性能,即云計算、本地計算和協(xié)同計算。其中,協(xié)同計算可進一步分為集中式業(yè)務調度和分布式業(yè)務調度,并且工作環(huán)境為混合環(huán)境。由圖5可知,當任務量較小時,3種計算范式均表現出良好的時延性能。但隨著任務量的增加,云計算的時延也迅速增加。這是因為云計算中心距衛(wèi)星較遠,導致傳輸時延較高。而本地計算雖可避免較高的通信開銷,但由于單星計算能力有限,計算時延也較高。對于協(xié)同計算,由于衛(wèi)星集群具備強大的計算能力,且衛(wèi)星之間距離較近,因此,隨著數據量的增加,其時延仍在可接受范圍之內。

        ▲圖5 不同計算范式的時延性能比較

        由圖5可知,分布式業(yè)務調度的時延略高于集中式業(yè)務調度。但應注意到,混合環(huán)境下,在處理100 Mbit的數據時,分布式業(yè)務調度的任務成功率比集中式業(yè)務調度提升了21.3%,而時延僅增加了6.21%,即以較小且可接受的時延為代價換取了可靠性性能的大幅度提升。

        2.2.3 多種算法可靠性及時延性能分析

        本節(jié)比較了基于TSE指標的算法(記為Proposed)同隨機式(記為Random)和貪婪式(記為Greedy)算法的時延性能和可靠性性能,分別如圖6、圖7所示。

        ▲圖6 不同算法時延性能比較

        ▲圖7 不同算法可靠性性能比較

        圖6比較了不同算法的時延性能。其中,工作環(huán)境為混合環(huán)境。由圖6可知,當任務量較小時,3種算法時延差別不明顯。而隨著任務量的增加,所提算法的時延明顯低于其他兩種算法。例如,當任務量為500 Mbit時,Proposed、Greedy、Random的時延具體分別為76.14 s、83.08 s、90.94 s,所提算法比其他兩種算法的時延分分別低了8.35%、16.27%。這是因為,Random算法隨機選取下一跳節(jié)點,并未考慮其計算能力,同時Greedy算法選取計算能力最強的節(jié)點作為下一跳節(jié)點,并未考慮邊的傳輸能力和傳輸方向,因此時延性能均不如Pro?posed算法。

        圖7比較了不同算法的可靠性性能,其中,任務量為100 Mbit。可以看出,除最佳環(huán)境外,在其他環(huán)境下所提算法的任務成功率均高于其他兩種算法。這是因為Random和Greedy算法在選擇下一跳節(jié)點時,均未考慮節(jié)點的故障概率,因此可靠性性能不如所提算法。

        3 結束語

        本文面向分布式LEO集群,提出了分布式端到端信息處理技術。首先我們構建TEG將LEO集群動態(tài)拓撲穩(wěn)態(tài)化,隨后構建端到端信息處理理論模型并提出分布式業(yè)務調度算法。該算法通過綜合考慮計算資源、通信資源、至目標節(jié)點跳數、節(jié)點故障率多維信息來選取下一跳節(jié)點,并逐步完成數據的傳輸與計算。仿真結果表明,所提分布式業(yè)務調度技術以犧牲較小時延為代價,有效地提升了業(yè)務的執(zhí)行成功率。

        致謝

        本研究得到西安電子科技大學綜合業(yè)務網理論及關鍵技術國家重點實驗室程文馳老師的幫助,謹致謝意!

        猜你喜歡
        集中式時延鏈路
        家紡“全鏈路”升級
        天空地一體化網絡多中繼鏈路自適應調度技術
        移動通信(2021年5期)2021-10-25 11:41:48
        基于GCC-nearest時延估計的室內聲源定位
        電子制作(2019年23期)2019-02-23 13:21:12
        基于改進二次相關算法的TDOA時延估計
        測控技術(2018年6期)2018-11-25 09:50:10
        光伏:分布式新增裝機規(guī)模首次超越集中式
        能源(2018年8期)2018-09-21 07:57:16
        組串式、集中式逆變器的評估選定淺析
        電子測試(2017年23期)2017-04-04 05:07:46
        FRFT在水聲信道時延頻移聯(lián)合估計中的應用
        接觸網隔離開關集中式控制方案研究
        電氣化鐵道(2016年5期)2016-04-16 05:59:55
        光伏集中式逆變器與組串式逆變器
        基于分段CEEMD降噪的時延估計研究
        欧美熟妇色ⅹxxx欧美妇| 青青草免费在线爽视频| 国产爆乳无码一区二区麻豆| 亚洲av国产精品色午夜洪2| 四虎精品国产一区二区三区| 亚洲人成伊人成综合网中文| 久久精品国产亚洲av四叶草| 性高朝大尺度少妇大屁股| 福利片福利一区二区三区| 激情人妻中出中文字幕一区| 偷拍色图一区二区三区| 日本最大色倩网站www| 久久久伊人影院| 成人在线视频亚洲国产| 国产性自爱拍偷在在线播放| 性色av无码久久一区二区三区| AV教师一区高清| 成a人片亚洲日本久久| 丰满熟妇人妻av无码区| 日日躁夜夜躁狠狠躁超碰97| 亚洲va欧美va人人爽夜夜嗨| 国产免费操美女逼视频| 亚洲国产精品久久电影欧美| 成年男女免费视频网站| 亚洲av影片一区二区三区 | 国产日本精品视频一区二区| 麻豆成人精品国产免费| 亚洲日韩欧美一区二区三区| 超碰青青草手机在线免费观看| 免费无码又爽又刺激网站直播 | 亚洲另类国产综合第一| 蜜桃视频在线免费观看一区二区| 男女射黄视频网站在线免费观看| 久久久日韩精品一区二区三区| 午夜短无码| 国产成人亚洲系列毛片| 亚欧免费无码aⅴ在线观看| 香蕉视频毛片| 伊人久久亚洲综合av影院| 国产夫妇肉麻对白| 亚洲av无码av在线播放|